Perbandingan BERT-base dan DistilBERT untuk Ekstraksi Aspek dan Klasifikasi Sentimen

Abstrak

Aspect-Based Sentiment Analysis (ABSA) merupakan pendekatan analisis sentimen yang bertujuan untuk mengidentifikasi aspek tertentu dari suatu ulasan serta menentukan polaritas sentimen terhadap aspek tersebut. Penelitian ini bertujuan untuk membandingkan kinerja dua model berbasis transformer, yaitu BERT-base dan DistilBERT, dalam tugas Aspect Term Extraction (ATE) dan Aspect Sentiment Classification (ASC) pada dataset ulasan restoran. Dataset yang digunakan terdiri dari total 1006 kalimat, yang kemudian diproses untuk mengekstraksi aspek dan mengklasifikasikan sentimen. Hasil eksperimen menunjukkan bahwa DistilBERT memberikan performa yang sedikit lebih baik dibandingkan BERT-base pada kedua tugas. Pada ATE, DistilBERT memperoleh token F1-score sebesar 0,794, sedangkan BERT-base memperoleh 0,781. Pada ASC, DistilBERT mencapai akurasi sebesar 0,892 dan weighted F1-score sebesar 0,874, lebih tinggi dibandingkan BERT-base dengan akurasi 0,886 dan weighted F1-score 0,856. Selain itu, DistilBERT juga menunjukkan efisiensi waktu pelatihan yang jauh lebih baik dibandingkan BERT-base. Analisis confusion matrix menunjukkan bahwa kedua model lebih akurat dalam memprediksi sentimen positif, sementara performa pada kelas netral masih rendah akibat ketidakseimbangan distribusi data. Hasil penelitian ini menunjukkan bahwa DistilBERT dapat menjadi alternatif yang lebih efisien untuk penerapan ABSA dengan performa yang tetap kompetitif.

Identifier

• OpenAlex: https://openalex.org/W7168086379
• DOI: https://doi.org/10.33005/santika.v6i1.1185